Core Concepts
본 연구는 신경 연산자와 가우시안 프로세스의 장점을 결합한 NOGaP 프레임워크를 제안한다. NOGaP는 예측 정확도 향상과 불확실성 정량화 기능을 제공한다.
Abstract
이 연구는 신경 연산자(NO)와 가우시안 프로세스(GP)의 장점을 결합한 NOGaP 프레임워크를 제안한다. NO는 편미분 방정식을 효율적으로 해결할 수 있지만 불확실성 정량화 기능이 부족하다. 반면 GP는 불확실성을 정량화할 수 있지만 차원 증가에 따른 확장성 문제가 있다.
NOGaP는 NO를 GP의 평균 함수로 사용하여 이러한 단점을 극복한다. 이를 통해 NOGaP는 예측 정확도 향상과 불확실성 정량화 기능을 제공한다. 다양한 편미분 방정식 문제에 대한 실험 결과, NOGaP가 기존 방법들에 비해 우수한 성능을 보였다. 특히 버거 방정식, 다시 유동, 비균질 푸아송 방정식 등의 문제에서 높은 정확도와 기대 불확실성 특성을 보였다.
Stats
버거 방정식의 상대 평균 제곱 오차(RMSE)는 약 4.097 ± 0.307%로 나타났다.
1D 파동 이류 방정식의 RMSE는 약 0.232 ± 0.01%로 나타났다.
삼각형 도메인의 2D 다시 유동 방정식의 RMSE는 약 5.798 ± 0.407%로 나타났다.
2D 비균질 푸아송 방정식의 RMSE는 약 0.278 ± 0.033%로 나타났다.